XYO’s Markus Levin: Por que uma L1 nativa de dados poderia tornar-se a espinha dorsal do “prova de origem” da IA

No episódio mais recente do SlateCast, o cofundador da XYO, Markus Levin, juntou-se aos apresentadores da CryptoSlate para explicar por que razão as redes de infraestruturas físicas descentralizadas (DePIN) estão a avançar para além de experiências de nicho — e por que razão a XYO construiu uma Layer-1 feita à medida para lidar com o tipo de dados que a IA e as aplicações do mundo real exigem cada vez mais.

A ambição de Levin para a rede é direta: “Primeiro, acho que a XYO vai ter oito mil milhões de nós”, afirmou ele, chamando-lhe uma meta ambiciosa — mas que acredita corresponder para onde a categoria está a caminho.

A tese “todos os cantos do mundo” das DePIN

Levin apresentou as DePIN como uma mudança estrutural na forma como os mercados coordenam infraestruturas físicas, apontando para expectativas de crescimento rápido para o setor. Ele citou uma projeção do Fórum Económico Mundial de que as DePIN poderiam expandir-se de cerca das dezenas de milhares de milhões atuais para biliões até 2028.

Para a XYO, a escala não é hipotética. Um dos apresentadores referiu que a rede cresceu “com mais de 10 milhões de nós”, preparando o terreno para uma conversa focada menos no “e se” e mais no que falha quando o volume de dados do mundo real passa a ser o produto.

Prova de origem para a IA: o problema dos dados, não apenas o compute

Quando lhe perguntaram sobre deepfakes e o colapso da confiança nos media, Levin argumentou que o gargalo da IA não é só a computação — é a proveniência. “Enquanto nas DePIN, o que você pode fazer é poder, uh, provar de onde vêm os dados”, disse ele, descrevendo um modelo em que os dados podem ser verificados de ponta a ponta, acompanhados até aos pipelines de treino e consultados quando os sistemas precisam de uma verdade de referência.

Na sua perspetiva, a proveniência cria um ciclo de feedback: se um modelo for acusado de alucinar, pode verificar se a entrada subjacente tem origem verificavelmente fundamentada — ou solicitar novos dados específicos a uma rede descentralizada, em vez de fazer scraping de fontes pouco fiáveis.

Porque é que uma Layer-1 nativa de dados importa

A XYO passou anos a tentar não construir uma cadeia, disse Levin — operando como middleware entre sinais do mundo real e contratos inteligentes. Mas “ninguém a construiu”, e o volume de dados da rede tornou a questão inevitável.

Ele explicou o objetivo de desenho de forma simples: “A blockchain não pode inchar… e foi mesmo construída para dados.”

A abordagem da XYO assenta em mecanismos como Proof of Perfect e em restrições de tipo “lookback”, concebidas para manter os requisitos dos nós leves, mesmo à medida que os conjuntos de dados crescem.

Onboarding COIN: transformar utilizadores não-cripto em nós

Um importante motor de crescimento tem sido a app COIN, que Levin descreveu como uma forma de transformar telemóveis em nós da rede XYO.

Em vez de empurrar os utilizadores para a volatilidade imediata de tokens, a app utiliza pontos indexados ao dólar e opções de resgate mais amplas — e depois faz a ponte dos utilizadores para as infraestruturas cripto ao longo do tempo.

Modelo dual de tokens: alinhar incentivos com XL1

Levin disse que o sistema de tokens dual foi desenhado para separar as recompensas/segurança do ecossistema dos custos de atividade da cadeia. “Estamos extremamente entusiasmados com este sistema dual de tokens”, disse ele, descrevendo o $XYO como o ativo externo de staking/governação/segurança e o $XL1 como o token interno de gas/transações usado na XYO Layer One.

Parceiros do mundo real: cobrar infraestrutura e dados de POI com nível de mapeamento

Levin apontou novas parcerias como o impulso inicial de uma “killer app” no ecossistema DePIN mais vasto, citando um acordo com Piggycell — uma grande rede de carregamento sul-coreana que precisa de prova de localização e que planeia tokenizar dados na XYO Layer One.

Ele também descreveu um caso de uso separado de prova de localização envolvendo conjuntos de dados de pontos de interesse (horas, fotografias, informação do local), afirmando que um grande parceiro de geolocalização encontrou problemas no seu próprio conjunto de dados “em 60% dos casos”, enquanto os dados provenientes da XYO estavam “99,9% corretos”, permitindo mapeamento a jusante para grandes empresas.

No seu conjunto, a mensagem de Levin foi consistente: se a IA e as RWAs precisam de inputs fiáveis, a próxima fronteira competitiva poderá estar menos em modelos mais rápidos — e mais em pipelines de dados verificáveis ancorados no mundo real.